Regresi linier seperti yang kita ketahui Tidak dapat menyelesaikan Kasus dimana variabel dipendente bersifat dikotomi dan kategori dengan dua atau Lebih kemungkinan (es. Sukses atau Gagal terpilih atau Tidak terpilih Lulus atau Tidak Lulus melakukan pembelian atau Tidak mendapat promosi atau Tidak, dan lain-lain) . Regresi logistik umumnya melibatkan berbagai macam variabel prediktor baik Numerik ataupun kategorik, termasuk variabel manichino. Pada regresi linier, variabel prediktor Yang digunakan biasanya Numerik, tetapi Jika Kita melibatkan campuran Antara Numerik maupun kategorik kita dapat menggunakan regresi Logistik. Regresi Logistik membentuk persamaan atau fungsi dengan pendekatan massima verosimiglianza, Yang memaksimalkan peluang pengklasifikasian objek yang diamati menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien regresi yang Sederhana. Dua Nilai yang biasa digunakan sebagai variabel dependen yang diprediksi Adalah 0 dan 1 (es. 1berhasil, 0gagal). Regresi Logistik menghasilkan Rasio peluang (odds ratio) Antara keberhasilan atau kegagalan Suatu Dari Analisis. Dapat kita contohkan dengan seorang Tokoh yang ingin menjadi Presiden, Akan Lebih baik peluangnya jika menjadi ketua Partai Politik tertentu. Disini odds ratio yang dimaksud Adalah seberapa besar peluang Tokoh tersebut dengan mempertimbangkan variabel prediktor yang ada. Regresi Logistik Akan membentuk variabel prediktorrespon (log (p (1-p)) Yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit. Asumsi-asumsi Dalam regresi Logistik Tidak mengasumsikan hubungan linier antar variabel dependen dan indipendente variabel dependen Harus bersifat dikotomi (2 variabel) variabel indipendente Tidak Harus memiliki keragaman yang sama antar Kelompok variabel Kategori Dalam variabel indipendente Harus terpisah Satu sama Lain atau bersifat eksklusif Sampel yang diperlukan Dalam jumlah relatif Besar, minimo hingga dibutuhkan 50 Sampel dati untuk Sebuah variabel prediktor (bebas). Persamaan Regresi Logistik Regresi Logistik menghasilkan Rasio peluang yang dinyatakan dengan transformasi fungsi logaritma (log), dengan demikian fungsi transformasi accedere ataupun ln diperlukan untuk p-value, dengan demikian dapat dinyatakan bahwa logit (p) merupakan log Dari peluang ( odds ratio) atau rapporto di verosimiglianza dengan kemungkinan terbesar nilai peluang Adalah 1, dengan demikian persamaan regresi Logistik menjadi: logit (p) log (p1-p) ln (p1-p) dimana p bernilai Antara 0-1. Modello yang digunakan pada regresi logistik Adalah: Log (P 1 8211 p) 0 1X1 2X2 8230. KXK Dimana p Adalah kemungkinan bahwa Y 1, Dan X1, X2, X3 Adalah variabel independen, dan b Adalah koefisien regresi. Konsep registro Odds, Odds Ratio Logit (odds log) merupakan koefisien pendenza (b) Dari persamaan regresi. Slope Disini Adalah perubahan Nilai rata-rata unità Satu dari dari Y perubahan nilai X. Regresi logistik Melihat perubahan pada nilai variabel dependen yang ditransformasi menjadi peluang, Bukan Nilai aslinya seperti pada regresi linier. Sebagai ilustrasi Jika Nilai peluang Adalah 0,25, maka Nilai probabilità Adalah 3 (25. 75), sedangkan Jika Nilai peluang 50, maka Nilai probabilità Adalah 1 (50. 50), atau jika Nilai peluang 0,33, Maka Nilai odds Adalah 2 (33. 67) dengan totale complessive degli ospiti nilai peluang Adalah 1. Nilai odds ratio biasanya dapat kita Lihat pada Kolom 8216variables B Pada nell'output equation8217 SPSS. Kecocokan Model (modello di misura) dan fungsi probabilità Probabilità berarti Juga peluang atau probabilitas untuk hipótesis tertentu. Seperti yang kita ketahui pada kurva regresi linier kita Lihat adanya hubungan linier, peningkatan pada Sumbu Y akan diikuti dengan peningkatan pada Sumbu X dan sebaliknya. Tetapi pada regresi Logistik dengan nilai Y Antara 0 dan 1, pendekatan linier Tidak Bisa kita gunakan. Oleh Karena itu metode massima verosimiglianza sangat berguna Dalam menentukan kecocokan modello yang tepat bagi persamaan yang kita Miliki. Hipótesis Dalam regresi Logistik Antara rimasto: h0 ketika persamaan regresi bernilai 0 logit (p) 0. h1 persamaan regresi Berbeda nyata dari 0 logit (p) 8800 0. Regresi Logistik merupakan regresi non linier dimana modello yang akan ditentukan mengikuti pola kurva linier seperti gambar di bawah ini. Regresi Logistik Juga menghasilkan Rasio peluang (odds ratio) terkait dengan nilai setiap prediktor. Peluang (odds) Dari Suatu kejadian diartikan sebagai probabilitas Hasil Yang Yang Muncul dibagi dengan probabilitas Suatu kejadian Tidak terjadi. Secara Umum, Rasio peluang (odds ratio) merupakan sekumpulan peluang yang dibagi Oleh peluang lainnya. Rasio peluang Bagi prediktor diartikan sebagai jumlah relatif dimana peluang Hasil meningkat (Rasio peluang gt 1) Turun atau (Rasio peluang lt 1) ketika nilai variabel prediktor meningkat sebesar 1 unità. Lebih jelasnya kita dapat mengikuti ilustrasi berikut ini: Kita ingin mengetahui apakah Berat Badan (weightgain) SAPI para peternak di Kota elgrow bertambah signifikan atau Tidak, dengan variabel prediktor Adalah sesso yang terdiri ATAS maschio (M) atau femmina (F), pemberian cacing obat (antielmintico) Secara rutina sesuai dosis yang dinyatakan dengan si dan no, dan biaya pemeliharaan per bulan yang dinyatakan Dalam Stati Uniti. Kali ini kita akan menjalankan modello logit software menggunakan bantuan IBM SPSS Versi 23, untuk Yang Masih menggunakan SPSS Seri di bawahnya Jangan khawatir, Masih kurang Lebih sama koq cara aplikasinya, kamu Bisa scaricare datanya 1. tahap dati impor Disini (Dari misalnya Excel) Buka SPSS Kamu, i dati di testo il file gt lettura, dialogo Kotak pada dati aperti, i file di tipo GT Pilih excel, maka datanya Muncul di Layar, Pilih Lalu klik GT Open, kemudian dimunculkan Lagi Jendela dati di apertura, lista di controllo seperti gambar gt ok, Telah dati masuk record di Dalam SPSS, berikut Adalah DataView, Lihat sususannya Tidak beraturan, kamu Bisa Atur Dalam vista variabile: Atur etichetta, desimal, dan Lain-lain vista Dalam variabel, 2. Tahap Analisis, analizzare gt regressione logistica gt binario, Setelah Muncul Jendela logistica regressione, masukkan weightgain kedalam dependen, dan variabel kategorik yaitu sesso dan antielmintico ke Kotak covariate, Lalu klik categorica, untuk menyesuaikan tipe dati variabel kategorik, Di Jendela definire variabili covariate Pilih categoria di riferimento prima, cambiamenti klik kemudian GT continuano, klik prossimo Lalu masukkan variabel costo kontinyu, ke covariate Dalam, opzione kemudian, kemudian continuare ok GT, Maka outputnya Akan modello ditampilkan, chi-quadrato sebesar 18.440, Angka ini menjelaskan kemampuan modello Dalam memprediksi variabel dependen weightgain. 0,000 lt 0,05, berarti terdapat peningkatan signifikansi dengan penambahan variabel sesso, dan antielmintico, modello ke Dalam dengan signifikansi. -2 Log verosimiglianza menjelaskan modello signifikansi layaknya pada regresi OLS linier R-quadrati. Tabel Hosmer e Lemeshow prova menunjukkan nilai penambahan signifikansi modello dari konstanta, modello dan sesudah variabel ditambahkan independen sesso dan antielmintico. Penambahannya cukup kecil dengan signifikansi 0631 (gt0.05). Kita Lihat variabili di uscita kembali Pada nel modello menunjukkan equazione sesuai hipótesis nullo modello atau Tanpa prediktor, le variabili di uscita non nell'equazione menunjukkan signifikansi Masing-Masing variabel independen terhadap weightgain. Dari tabel dapat kita Lihat bahwa variabel antielmintico (1) Modello memberikan peningkatan Yang signifikan terhadap (0,000), il sesso sedangkan (1) Tidak signifikan (0298). Tetapi Secara complessive degli ospiti signifikan terhadap perbaikan modello (statistiche globali, SIG 0,000). variabili di uscita Dari nell'equazione persamaan yang kita peroleh Adalah (Lihat nilai pada Kolom B): Log odds (weightgain) B0 B1sex (1) B2anthelmintic (1) B3cost atau dengan nilai aslinya log odds (weightgain) -3502 0,116sex (1) 2,638anthelmintic (1) 0,011cost Jika sesso (1) 1 (Lihat codifica in uscita), antielmintico (1) 1 (Lihat codifica in uscita), Dan costus 100, Maka persamaannya menjadi: Log odds (weightgain) -3.502 0.116 (1) 2.638 (1) 0.011 (100) log odds (weightgain) -3502 0,116 2,638 1,1 Jika kita hilangkan accedere maka persamaan akan Dalam bentuk eksponensial: odds (weightgain) e -3502 0.116 2.638 1,1 Interpretasi dari Persamaan Untuk setiap perubahan per unità pada variabel sesso (1) (Koding manichino untuk variabel Mjantan), Akan weightgain meningkatkan sebesar 0116. Untuk setiap kenaikan pada variabel antielmintico (1) sebesar 1 unità, Maka akan meningkatkan weightgain sebesar 2.638. Untuk setiap penambahan sebesar US1 terhadap costo variabel, Maka akan meningkatkan peluang weightgain sebesar 0,011. Dari Nilai signifikansi dapat kita simpulkan bahwa variabel yang signifikan log odds berpengaruh terhadap (weightgain) Adalah pemberian obat cacing Secara rutina (antielmintico (1)), Dan costo dengan Nilai signifikansi berturut-turut 0,02 dan 0,018 (pada Tingkat signifikansi 95). Kemudian Mari kita interpretasikan nilai exp (B) variabili di uscita pada nell'equazione Di ATAS: Variabel sesso (1) Yang mengacu pada MaleJantan, memiliki kecenderungan untuk mendapatkan pertambahan Berat Badan (weightg ain) 1.122 Kali daripada Femalebetina yang menjadi kategori referensi kita (INI Adalah Koding manichino, dimana 0 untuk F dan 1 untuk M). Variabel antielmintico (1) Yang mengacu pada sì, dimana pemberian obat cacing Secara teratur dan sesuai dosis memiliki peluang sebesar 13.988 kali daripada kategori referensi kita yang mengacu pada no, no dimana dinyatakan sebagai Tidak memberikan asupan obat cacing Secara rutina dan sesuai dosis. variabel ini Sangat signifikan log odds mempengaruhi (weightgain) dengan nilai signifikansi 0,002. Variabel costo cenderung meningkatkan weightgain sebesar 0,030 kali dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05. (Yoso) scaricare materi Dalam bentuk pdf di bawah ini gtgtgtRegresi logistico merupakan salah satu Analisi multivariata, Yang berguna untuk memprediksi dipendente variabel variabel berdasarkan independen. Pada regresi logistica, dependen variabel Adalah variabel dikotomi (kategori). Ketika kategori variabel dependennya berjumlah dua kategori maka digunakan logistica binaria, dan ketika dependen variabelnya Lebih dari dua kategori maka digunakan multinomiale regressione logistica. Lalu ketika dependen variabelnya berbentuk classifica, Maka disebut dengan ordinale regressione logistica. Konsep Regresi Logistik Regresi logistik alternativa merupakan uji jika asumsi multivariata distribuzione normale pada variabel bebasnya Tidak Bisa terpenuhi ketika akan dilakukan Analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran Antara variabel kontinyu (metrico) dan kategorial (non metrico). Misalnya, probabilitas bahwa orang yang menderita Serangan jantung pada waktu tertentu dapat diprediksi dari Informasi USIA, merokok kebiasaan, Jenis kelamin, dan lainnya. Asumsi Regresi Logistik Regresi logistik Tidak membutuhkan hubungan linier Antara variabel bebas dengan variabel terikat. Regresi Logistik dapat menyeleksi hubungan Karena menggunakan pendekatan non linier accedere transformasi untuk memprediksi odds ratio. Dalam Odd regresi Logistik SERING dinyatakan probabilitas sebagai. Misal Odd Sebuah Perusahaan dapat bangkrut atau berhasil atau strano seorang Anak dapat Lulus atau Tidak pada Ujian Nasional. Variabel bebas Tidak memerlukan asumsi multivariata normalità Asumsi homokedastis Tidak diperlukan Variabel bebas Tidak Perlu dirubah ke bentuk metrica (intervallo atau rapporto Skala) CONTOH Kasus regressione logistica dati Yang Diberikan Adalah dati Fiktif Bukan dati Sebenarnya, Cuma Sebagai Latihan Uji Statistik seorang dokter ingin mengetahui probabilitas seorang pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan USIA dati dikumpulkan dari Catatan Medis sebanyak 30 orang pasien yang melakukan pemeriksaan Kesehatan di RS ABC merokok (1), TDK merokok (0) Usia (USIA Dalam tahun) menù Pada Analizzare, Pilih Regressione gtgt binario logistica Masukkan variabel sakit ke dipendente, variabel kemudian rokok dan USIA ke 8220covariate box8221 Kemudian, Opzioni Klik, Lalu beri tanda Pada classificazione Parcelle, Hosmer-Lemeshow GoF, matrice di correlazione, la storia dan itteration Klik Continua, kemudian OK HASIL Dan INTERPRESTASI Menilai modello Fit Untuk menilai modello adatto dapat diperhatikan nilai statistik -2LogL yaitu Tanpa mengikutsertakan variabel Hanya berupa konstanta yaitu sebesar 41,589. Ketika dimasukkan 2 variabel Baru maka prediksi nilai -2LogL sebesar 16.750. Artinya terdapat penurunan sebesar 41,589 8211 16,750 24,839. Untuk -2LogL Pertama diperoleh nilai 41,589 dengan df1 30-1 29. Nilai ini signifikan pada alpha 5 yang berarti Ho ditolak, artinya modello Tidak in forma. Nilai -2LogL kedua Adalah sebesar 16.750 dengan DF2 30-3 27 Adalah Tidak signifikan pada alfa 5. (Nilai statistik -2LogL di ATAS dibandingkan dengan nilai Statistik distribusi x2.), modello di artinya dati dengan in forma. Statistik - LogL dapat digunakan untuk menentukan apakah jika variabel bebas dimasukkan Dalam modello dapat modello mempengaruhi Secara signifikan. dengan selisih 24,839 dan df (DF1-df229-272) Maka menunjukkan Angka ini signifikan pada alfa 5. Hal ini berarti Ho ditolak dan modello in forma di dati dengan. Cox n Snell8217s R Piazza Adalah Ukuran pengaruh bersama yaitu sebesar 0,563 dan nilai Nagelkerke R Piazza Adalah sebesar 0,751. dengan demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan modello Adalah sebesar 75.10. Selanjutnya, Hosmer e Lemeshow8217s GoF dilakukan untuk menguji hipótesis. Jika sig lt 0,05 maka Ho ditolak yang ada berarti perbedaan signifikan Antara modello dengan Nilai observasinya. Jika sig gt 0.05 Maka Ho diterima, artinya Tidak ada perbedaan Antara modello dan Nilai observasinya. Statistik Hosmer e Lemeshow8217s GoF diperoleh sebesar 0.594 (GT 0,05) sehingga dapat dinyatakan bahwa dati del modello in forma dengan. Hosmer e Lemeshow8217s GoF Juga menghasilkan nilai 6.475 probabilitas dengan sebesar 0594 sehingga dapat disimpulkan modello bahwa dati in forma dengan. Estimasi Parametro Dan Interprestasi Estimasi massima Likehood modello parametro dapat Visualizzati di recente variabili di uscita Dari pada recapitassero nell'equazione. Regressione logistica kemudian dapat dinyatakan: Ln P1-P -11,506 5.348 rokok 0,210 Usia. Variabel bebas kebiasaan merokok signifikan dengan probabilitas sebesar 0,004 (lt 0.05) dan variabel USIA Juga signifikan dengan probabilitas 0.032. dengan memperhatikan persamaan ini maka dapat diinterprestasikan FFS: Log di Odds seseorang terkena Secara Positif berhubungan dengan rokok. Probabilitas Atau Odds seorang terkena penyakit jantung jika ia perokok Adalah sebesar 5.348. artinya seorang perokok memiliki kemungkinan terkena Serangan jantung 5,35 kali Lebih besar dibanding yang Tidak merokok. Jika variabel rokok dianggap Konstan, Maka probabilitas seseorang terkena Serangan jantung Adalah sebesar 0,210 pada setiap kenaikan Satu tahun USIA. Jika rokok dianggap Konstan, Maka seseorang memiliki probabilità terkena penyakit jantung Adalah sebesar 1.233 untuk setiap penambahan USIA. Sementara Jika USIA bernilai konstan maka probabilità seorang terkena penyakit jantung Adalah sebesar 210,286 untuk perokok dibandingkan dengan yang Tidak merokok. Hasil complessiva Adalah tasso CLASSIFICAZIONE sebesar 90,0 pada cutoff 50 Pertama. Variabel rokok dan USIA memiliki hubungan positif probabilità dengan penyakit jantung Kedua. Jika USIA bernilai Konstan, Maka seorang perokok memiliki probabilità terkena penyakit jantung sebesar 5.384 kali Lebih besar dibanding yang Tidak merokok Ketiga. Jika rokok bernilai Konstan, Maka probabilità seorang terkena penyakit jantung Adalah sebesar 0,210 pada setiap penambahan USIA. Cuma diingatkan8230.data yang Diberikan Adalah dati Fiktif Bukan dati Sebenarnya, Cuma Sebagai Latihan Uji Statistik Imam Ghozali. 2009. programma dengan Aplikasi Analisis multivariata SPSS. Semarang BP: Undip, Hal. 261-275Konsep Regresi Logistik BinerDikotomi Analisis regresi Logistik merupakan metode Analisis yang biasanya digunakan Oleh Mahasiswa Dalam menyelesaikan skripsi berkaitan dengan skripsi tentang persepsi. bahasa gaul metode ini biasa disebut reglog. Untuk pembahasan kali akan dibahas materi reglog Dulu. Dan Akan dilakukan untuk contoh kasusnya dengan software SPSS. Mudah-mudahan Bisa membantu para cendikiawan muda termasuk penulis sendiri. hehehhe Analisis regresi Logistik digunakan untuk menjelaskan hubungan Antara variabel respon yang dati berupa dikotomikbiner dengan variabel bebas intervallo yang dati berupa berskala dan atau kategorik (Hosmer Dan Lemeshow, 1989). Variabel yang dikotomikbiner Adalah variabel yang Hanya mempunyai Dua kategori Saja, yaitu kategori Yang menyatakan Sukses kejadian (Y1) Dan kategori Yang menyatakan Gagal kejadian (Y0). pada modello modello lineare Umum komponen acak Tidak Harus mengikuti sebaran normale, Harus TAPI masuk Dalam sebaran Keluarga eksponensial. Sebaran bernoulli termasuk Dalam salah Satu dari sebaran Keluarga eksponensial. Variabel respon Y ini, diasumsikan mengikuti distribusi Bernoulli. Timbul pertanyaan: Perbedaan Antara regresi Logistik dengan Analisis regresi biasa kenapa Tidak Pakai Analisis regresi biasa aja Sebenarnya untuk masalah diatas Bisa digunakan Analisis regresi OLS. Tapi Harus memenuhi asumsi bahwa 0 lt E (Yi 247 Xi) lt 1. Namun persyaratan tersebut Sulit untuk terpenuhi. sehingga metode regresi OLS kurang cocok dati Untuk kuantitatif dan Lebih baik menggunakan metode regresi Logistik. contoh Kasus Dalam regresi logsitik Biner: Pengaruh Tingkat Pendidikan, Lapangan Kerja YG dimasuki, Pendapatan, Pengeluaran, Jumlah stato ARTE terhadap kemiskinan (MiskinTIdak Miskin). Pengaruh Pendapatan Keluarga, Banyaknya Anggota Keluarga, Jenis rumah, Usia Kepala Keluarga terhadap Kepemilikan Rumah (Punya rumahtidak) Berdasarkan Dua contoh tersebut mungjkin Sudah membuka pikiran untuk Kasus seperti APA regresi Logistik digunakan. intinya variabel dependentnya dikotomi artinya memiliki dua kategori seperti pada Kasus diatas yang ditebal. Kenapa cuma dua kategori aja Tidak Bisa Lebih dari Tiga kategori Untuk metode ini tidak Bisa Karena Hanya Bisa dua sesuai dengan namanya. untuk masalah diatas ada yang metode rimasto Bisa digunakan yaitu regresi Logistik ordinale. Bagaimana Langkah-Langkah atau prosedur statistiknya sebagai referensi Buat skripsi. hehehe Bentuk modello Umum peluang regresi Logistik dengan p penjelas Variabel, diformulasikan sebagai berikut: dengan (x) Adalah peluang kejadian Sukses dengan nilai probabilita 08804 (x) 88041 dan j Adalah parametro Nilai dengan j 1,2. p. (X) merupakan fungsi yang non linier, sehingga Perlu dilakukan transformasi ke Dalam bentuk logit untuk memperoleh fungsi yang linier agar dapat Visualizzati di recente hubungan Antara variabel bebas dan variabel non libero. Dengan melakukan transformasi dari logit (x), Maka didapat persamaan yang Lebih Sederhana, yaitu: Jika Dari beberapa variabel bebas ada yang berskala nominale atau ordinale, Maka variabel tersebut Tidak akan tepat jika dimasukkan Dalam modello logit Karena Angka-Angka yang digunakan untuk tingkatan menyatakan tersebut Hanya sebagai identifikasi dan tidak mempunyai nilai Numerik Dalam situasi seperti ini diperlukan variabel manichino. Untuk variabel bebas dengan Skala ordinale maupun nominale dengan k kategori, diperlukan Akan sebanyak k-1 variabel manichino. Asumsi-asumsi Dalam regresi Logistik: Tidak hubungan mengasumsikan linier antar variabel dependen dan indipendente Variabel dependen Harus bersifat dikotomi (2 variabel) Variabel indipendente Tidak Harus memiliki keragaman yang sama antar Kelompok variabel Kategori Dalam variabel indipendente Harus terpisah Satu sama Lain atau bersifat eksklusif Sampel yang diperlukan Dalam jumlah relatif Besar, minimo dibutuhkan hingga 50 dati Sampel untuk Sebuah variabel prediktor (bebas). Pendugaan Parametro Metode untuk mengestimasi parametro parametro-yang Tidak diketahui modello Dalam regresi Logistik Ada 3 yaitu: 1. Metode kemungkinan maksimum (Massimo Metodo di verosimiglianza) 2. Metode KUADRAT terkecil tertimbang noniterasi (Noniterative peso metodo dei minimi Square) 3. Analisis fungsi diskriminan (Discriminant Analisi fuction) Pada dasarnya metode maksimum Probabilità merupakan metode KUADRAT terkecil tertimbang dengan beberapa prose iterasi, sedangkan metode peso noniterative metodo dei minimi quadrati Hanya Satu menggunakan kali iterasi. kedua metode ini equivalente asymptoticaly. artinya Jika Ukuran Sampel besar keduanya akan stimatore menghasilkan yang Identik. Penggunaan fungsi diskriminan mensyaratkan variabel penjelas yang kuantitatif berdistribusi normale. Oleh Karena itu, penduga dari fungsi diskriminan akan sopra stima penjelas bila Variabel Tidak berdistribusi normale. Dari Ketiga metodei di ATAS, metode Yang banyak digunakan Adalah metode maksimum probabilità dengan Alasan Lebih Praktis (Nachrowi Dan Usman, 2002). Metode maksimu likelihoood ini menduga parametro dengan nilai yang memaksimumkan fungsi probabilità (funzione di verosimiglianza). Uji Signifikansi Modello Untuk mengetahui pengaruh variabel bebas terhadap variabel non libero Secara bersama-sama (complessiva) modello Dalam di, dapat menggunakan Uji Rapporto di verosimiglianza. Hipotesisnya Adalah sebagai berikut: Ho: 1 2. p 0 (Tidak Ada pengaruh veriabel bebas Secara SIMULTAN terhadap variabel tak bebas) H1: minimal ada Satu j 8800 0 (Ada pengaruh palizzata sedikit Satu veriabel bebas terhadap variabel tak bebas) Untuk j 1,2. p Statistik uji yang digunakan Adalah: Lo Maksimum Lieklihood dari modello reduksi (Reduced Model) modello atau Yang terdiri dari konstanta saja Lp Maksimum modello Probabilità dari Penuh (modello completo) atau dengan semua variabel bebas. Statistik G2 ini mengikuti distribusi Khi-KUADRAT dengan derajad bebas p sehingga hipótesis ditolak jika p-value lt, Yang berarti variabel bebas X Secara bersama-sama mempengaruhi variabel tak bebas Y. Uji Parsial dan Pembentukan Modello Pada umumnya, tujuan analsis Statistik Adalah untuk mencari modello yang cocok dan keterpautan yang kuat Antara dati modello dengan yang ada. parametro keberartian Pengujian (koefisien) Secara parsial dapat dilakukan melalui Uji Wald dengan hipotesisnya sebagai berikut: Ho: j 0 (variabel bebas ke j Tidak mempunyai pengaruh Secara signifikan terhadap variabel non libero) H1: j 8800 0 (variabel bebas ke j mempunyai pengaruh Secara signifikan terhadap variabel non libero) Untuk j 1,2. p Dengan statistik uji sebagai berikut: hipótesis Akan ditolak jika p-value lt yang berarti variabel bebas Xj Secara parziale mempengaruhi variabel non libero rapporto Y. odds ratio Odds merupakan Ukuran risiko atau kecenderungan untuk mengalami kejadian 8216sukses 8216 Antara Satu kategori dengan kategori lainnya, didefinisikan odds sebagai rapporto dari untuk xj 1 terhadap XJ 0. odds ratio ini menyatakan risiko atau kecenderungan pengaruh observasi dengan xj 1 Adalah berapa kali Lipat jika dibandingkan dengan observasi dengan xj 0. untuk variabel bebas yang berskala kontinyu maka interpretasi dari koefisien j modello pada regresi Logistik Adalah setiap kenaikan c unità pada variabel bebas akan menyebabkan risiko terjadinya Y 1, Adalah exp (CJ) kali Lebih Besar. Odds ratio dilambangkan dengan, didefinisikan sebagai perbandingan dua nilai odds xj 1 dan xj 0, sehingga: Siang mas. Saya dell'ECHA. ingin menanyakan..pada penelitian saya (dati non parametrik, var dependen dan Indipenden keduanya Rasio) didapat Hasil korelasi lanciere YG bermakna. saya ingin melanjutkan regresinya..tp setelah saya uji regresi liniernya trnyt residualnya uji Kolmogorov Tidak terdistribusi juga..hehhe normale. Sebaiknya saya menggunakan regresi APA ya mas apakah ore menggunakan regresi Logistik (saya Rasio dati pdhal) .. MHN pencerahannya ya mas..tksh bnyk Siang. kalau datanya Rasio mungkin Lebih baik menggunakan korelasi Pearson. kalau datanya Tidak normale Bisa dicoba transformasi Dulu variabelnya mas. Assalamu39alaikum. Ka, mau Tanya. Di logit, Kalo salah Satu variabel prediktor yang bentuknya logaritma naturale (ln), misanya variabel pengeluaran Dalam bentuk ln, ITU gimana interpretasi odds ratio Nya APA sama aja Kaya di Analisis regresi linier odds ratio Misal Nya 3, berarti TIAP kenaikan satu persen pengeluaran, kecenderungan quotsuksesquot Akan meningkat sebesar 3 kali. apa seperti ITU terimakasih. jazakumullaahu khairan. Wa39alaikumsalam, knapa di-ln-kn dek rammendo variabelnya yang mentah Saja, Tidak usah ditransformasi, supaya reglognya Tidak mubazir. dek sama2. di-ln-kn, tujuannya Biar mempermudah interpretasi ka, TAPI ternyata Malah bingung cara nginterprestinya. kalo GAK di-ln-kn, ketika odds Nya 2, berarti intrpretasinya: setiap pertambahan quotsatuquot rupia pengeluaran, meningkatkan kecenderungan quotsuksesquot sebesar 2x, apakah seperti ITU Maksud dari quotreglognya mubadzirquot ITU GMN makanya Tidak usah di-ln-kan dek, selain jd makin Susah interpretasi, biasanya transformasi dilakukan untuk menormalkan dati, sementara metode reglog Tidak butuh asumsi normalitas. Reglog metode ITU yang persyaratannya palizzata Ringan di Antara metode regresi rimasto, Jadi kalau datanya diperlakukan seperti ketika memakai regresi biasa (YG syaratnya banyak) itu saya menurut mubazir. Assalamu39alaykum Mas Chalik Mawardi. Mohon izin saya ikut Nanya Juga ya, Sedang menyusun skripsi. Ada beberapa pertanyaan: 1. Apakah dati berskala ordinale Bisa Hanya terdiri dari dua kategori Contohnya para pelamar PNS dikategorikan menjadi quotlulus tesquot dan quottidak Lulus tesquot. 2. Variabel penelitian saya Hanya terdiri dari Satu variabel dependen dan Satu variabel independen. Variabel dependennya sebenarnya terdiri dari 4 kategori, tetapi Bisa Juga diolah menjadi dikotomi. Sedangkan untuk variabel independennya intervallo, tetapi Juga Bisa diolah menjadi dhikotom. Mohon saran Mas Chalik sebaiknya saya menggunakan metode statistik APA Terima kasih sebelumnya. Wa 39alaikummsalam 1. Tidak, ordinali maksudnya ITU, kategori, TAPI memiliki tingkatan, berapapun banyaknya kategori tersebut. Misal, i dati ranking siswai, IP mahasiswai, Jabatan Pekerja, jenjang Pendidikan (SD, smp, SMA), DSB 2. Kalau Visualizzati di recente dari Jenis datanya, Bisa Pakai regresi Logistik atau probit assalamualaikum, mas Saya mau Nanya. saya Masih Belum paham soal penggunaan variabel manichino. Jadi penelitian saya tu datanya ordinale dengan Satu variabel independen dan Satu variabel dependen. TAPI penelitian saya ini dilakukan pada dua Kelompok yaitu Kelompok sasaran dan Kelompok Kontrol. sebelumnya saya meneliti korelasi variabel x terhadap y pada Kelompok sasaran, selanjutnya saya bandingkan dengan Kelompok Kontrol mana yang pengaruhnya Lebih besar terhadap variabel y. Dosen saya menyarankan untuk di manichino, TAPI saya BLM paham mas. Mohon pncerahannya bgmn caranya, trus apakah Bisa menggunakan SPSS atau gimana mas terimakasih sebelumnya. Pagi Pak, saya mau bertanya bagaimana cara mengolah regresi Logistik dengan variabel dependen 2 kategori TAPI variabel independennya ada Tiga kategori. Misal dependennya menerima opini continuità diberi Kode 1 dan menerima opini non continuità 0 Lalu independennya kondisi keuangan bangkrut diberi Kode 1, Rawan diberi Kode 0, Sehat diberi Kode -1. Mohon pencerahannya pak, Makasi untuk kemudahan Coba Ganti Kode variabel independennya menjadi 1, 2 dan 3. jumlah pilihan pada variabel independen Tidak masalah Masih Bisa dijalankan dengan programma populer seperti SPSS. Coba buka SPSS gt trus Analisis gt regressi gt logistica moschettone (logistica binario). taruh variabel independen di covariate. ITU Jika ingin menggunakan Logistik Biner. Jika ingin menggunakan Logistik generale maka Bisa buka SPSS trus Analisis gt logistica gt generale gt taruh di covariate digunakan Jika variabel kategorik. coba Dulu yaa
No comments:
Post a Comment